AI 发展挑战与发展路径
刘松副总裁平凯星辰（北京）科技有限公司2025/12 AI顶流专家如何看待AI发展？世界模型？空间智能？（2025年11月） 前Meta AI科学家田渊栋深度专访总结（华人AI力量） [1]已预感到自己在meta的困境，在没有被裁员前就已经拿到其他公司offer了 [2]Scaling law悲观：一开始训练很快，但后期优质数据不够，需要指数级的数据用于训练才能得到好结果，如果这样需要地球上的所有数据、电力都将被用来训练才能得到一些进步（只是表达训练效率很低）。 [3]思维链会对scaling law产生很大的影响，让以前十分之一的样本就能获得更好的效果。 [4]大模型是有意思的路线，是不是好路线不确定。（背景是图灵奖得主Yann Le Cun认为LLM不是实现AGI的好路线）[5]从事模型训练的人会越来越少，因为很多工作都自动化了，但做模型应用和探索创新的人会越来越多。 [6]强化学习（RL）是主动学习的（边搜索边采集数据），RL主动寻找的数据比监督学习提供的数据更好，但和监督学习（SFT）一样都只是为了改变权重，只是改变权重方式不同，或许会有一种统一的办法。 [7]同意Andrej Karpathy（前特斯拉FSD负责人）观点，AGI还需要数10年以上。没有洞察能力的话，就不算AGI。 [9]开源模型和闭源模型只是不同公司的目标和策略选择，没有好与坏。 [10]人才：欠缺工程能力和研究能力都强的人，现在工程能力强的人更吃香。 [11]随着AI的发展，未来大家都可能没有工作 关于Agent，来自今年硅谷AI峰会的看法 ●下一轮AI，不是卖工具，而是卖成果=按收益付费 ●不在讲能力，而是解决了什么问题，●Agent开始独立完成特定工作，不是能用，而是能干完●创业窗口缩短：一个人的独角兽●Agent经济浮现，Agent成为一个和人一样的经济参与者 大模型发展概况：Agent对私域数据要求更强烈 主导形态：Agent 大模型现状 数据挑战 数个千亿参数的LLM用于•提升工作效率：AI Agent•人机交互：自然语言问答•内容生成：内容自动化生成•AI编程：生产40%+开源代码•…… 技术与社会挑战：幻觉，缺少推理能力 关于这一代AI的三个隐喻 2025，DeepSeek改变了哪些AI圈的运行逻辑？ ⚫打破了预训练大算力（万卡集群）的神话，大模型变成一个更低门槛的产品⚫完全的开源建立了大模型透明演进的新规则⚫近于零门槛部署，尤其是私有部署的门槛⚫深度思考和思维链成了新“共识”，提升可解释性⚫AI应用拐点到来（2010年代的MobileApps）⚫Agent开发已经进入华人和中国工程师的舒适区⚫行业私域数据变成企业AI应用真正的护城河 Agent-智能体经济，是信息化时代和移动互联网时代的延伸与跃迁 Agent多种形态与对数据技术的需求 数字内容创造与交互：游戏，娱乐，情感，创意，幻觉友好 中短期内更依赖Data+AI的数据飞轮 AI带来软件范式变化的内核关键点功能实现->数据驱动->知识进化+决策闭环->认知创造 Agent可能性：数据+大模型如何超越人类老师傅？ 一个复杂的企业知识库场景需要怎样的数据库技术？ AI+金融 生成类场景落地应用较多，决策类场景落地难度较大（金融业决策类场景难度在于容错性低与责任大） 投资领域聊天机器人BondGPT+ 金融大模型BloombergGPT 高频业务场景 基于GPT-4开发，服务于客户提出的各种债券问题，还可以生成债券分析图表 通过给定的主题和语境，自动生成高质量的金融报告、财务分析报告及招股书 营销 渠道 有望率先落地场景 风控 高投资回报率场景 舆情管理 智能投顾 智能投研 智能理赔 智能客服 对安全性、稳定性、合规性、准确性、可靠性等指标要求苛刻，落地难度加大 当前大模型在金融企业应用中落地的挑战 过去两年推动AI的心得 1 .大 模 型 的 本 质 ： 有 损 压 缩 和 无 损 压 缩2 .垂 直 大 模 型Vs .通 用 大 模 型3 . RA G(知 识 库) Vs .W o r k F l o w（ 工 作 流 ）4 .准 确 率&幻 觉&测 试 集 的 建 立5 .超 过 一 周 不 能 落 地 的 场 景 要 慎 重6 .从 工 程 化 的 角 度 ， 考 虑 与I M对 接 最 后 一 公 里 ， 流 量 入 口 在 哪 里 ？7 .尽 量 先 从 个 人 和 部 门 场 景 出 发 ， 后 做 跨 部 门 的 业 务 流 程8 .大 模 型 做 不 了 什 么 ？高 合 规 、 高 确 定 性 、 高 性 能 、 高 复 杂 度 、 高 耦 合 性 、 高 可 用 性 、 高 并 发 、 低 延 迟 2025年中国企业级AI商业化8大关键洞察 1.企业级AI已从“概念验证期”迈入“规模化探索期” 2025年，超过七成受访企业表示已在核心业务流程中部署AI模块，AI不再局限于技术试验，而成为增长与效率的重要变量。 洞察：AI从展示创新转为生产力落地，标志企业级AI进入结构化商业化阶段。 启示：接下来两年将是AI从试点到普及的关键窗口期。 2.SaaS企业仍主导市场，但AI原生厂商的商业化率更高 SaaS企业在数量与客户覆盖上占据主导〔约占样本的80%〕,但AI原生厂商的商业化率平均高出约43个百分点。 洞察：AI原生厂商具备更强的灵活创新与产品自沿性，能更快形成收入闭环。 启示：生态型SaaS需通过模块化与插件化加速自身AI化，避免被边缘化。 3.收费模式显著分化：SaaS通过模块化增值，AI原生倾向效果付费 调查显示，SaaS厂商主要采用“订阅+增值模块”定价，而AI原生厂商普遍推行“按效果或使用量付费”模式。 启示：未来企业将根据RO1动态调整定价，实现“性能即价值”的商业逻辑。 2025年中国企业级AI商业化8大关键洞察 4.最大挑战仍在需求端：需求碎片化与付费意愿不足 超过60%的企业认为“客户需求碎片化”是规模化落地的最大障碍，其次是“客户对AI功能的付费意愿不足”。洞察：AI供给端技术成熟，但需求侧标准化不足，形成结构性摩擦。 启示：产品标准化与客户教育将成为AI商业化的关键突破口。 5.行业深耕：向垂直领域渗透成未来增长主线 AI应用正从通用场景〔内容生成、客服〕转向垂直行业场景〔制造质检、金融风控等〕。 洞察：AI商业化不再追求广覆盖，而是向深场景渗透。 启示：未来两年，垂直行业AI服务商将成为资本与企业的双重关注焦点。 6.AI商业化路径分层明显：工具型普及v5行业型突破 AI工具类产品〔如自动化办公、文本生成〕已实现快速普及，而行业级AI[如医疗、能源、物流]仍处早期验证期。 洞察：AI商业化呈现两极结构——轻量化产品跑量，重度垂直产品积累壁垒。 启示：未来市场将出现“效率导向”与“行业导向”两条平行赛道。 2025年中国企业级AI商业化8大关键洞察 7.大模型生态加速融合：外部调用主流化，本土模型崛起 约70%的企业选择调用外部大模型〔包括OpenAI、Anthropic，通义千问、百Ⅲ等〕而非自研，同时本土模型与国外先进模型的性能差距持续缩小。洞察：AI生态竞争已从算法性能转向生态整合与应用适配。 启示：国产大模型的生态能力将成为决定市场地位的关键变量。 8.行业信心回暖，研发投入进入“结构性加码”阶段 超过八成受访企业计划在2026年增加AI研发预算，尤其在模型优化与数据标注环节。 洞察：资本虽趋理性，但技术投资的结构性信心增强。 启示：AI行业已从“泡沫化资本驱动”转向“稳态技术投资驱动”。 联系方式刘松brian.s@pingcap.cn13911222003 我的微信号：liusong2003
